El núcleo del Mapflow son los modelos de mapeo. Mapflow permite detectar y extraer características en imágenes aéreas y satelitales impulsadas por segmentación semántica y otras técnicas de aprendizaje profundo. Consulte la página requirements para comprender mejor qué datos utilizar con cada modelo, y lista de precios para conocer el desglose de la facturación de los procesamientos.

Nota

Para conocer los requisitos de datos, consulte Requisitos del modelo. Para ver el desglose de la facturación de los procesamientos de Mapflow, consulte Precios de Mapflow.

Modelos de mapeo de IA

🏠 Edificios

Extracción de tejados de edificios a partir de imágenes de alta resolución. El modelo de aprendizaje profundo de alto rendimiento está entrenado para detectar los techos de los edificios.

Etiquetas de modelo |:etiqueta:|

Versión

2026-07-06

Dominio geográfico

Global

método modelo

Segmentación

GSD/Zoom de mapa

0,3m/z19

Nota: Las predicciones de edificios con un área inferior a 20 metros cuadrados. se eliminan para evitar el desorden

El modelo no extrae las huellas directamente, porque no son claramente visibles en las imágenes, pero puede obtenerlas, al igual que los cartógrafos humanos, moviendo el techo hasta la parte inferior de la pared (ver Opciones adicionales).

Opciones adicionales:

• Clasificación por tipos de edificios – la tipología de edificios está representada por las clases principales (ver reference).

• Regularización - el algoritmo corrige las irregularidades de los contornos de nuestro modelo. Las geometrías irregulares se sustituyen por rectángulos, círculos o polígonos arbitrarios con ángulos de 90 grados, que se adaptan mejor a la forma original. Esta opción produce formas mucho más amigables con los mapas que se ven mejor, pero se puede perder parte de la precisión de la máscara original.

• Simplificación: simplifica la forma del edificio, manteniéndose cerca de la máscara original, ajustada para formas curvas y complejas. Formas más aproximadas, pero menos ángulos rectos.

• Fusionar con OSM - algunas de las áreas tienen una gran cobertura de datos de OpenStreetMap, y si prefieres datos anotados por humanos, puedes seleccionar esta opción. En este caso, verificamos para cada edificio si tiene un buen objeto correspondiente en OSM (índice Jaccard) y si hay uno, reemplazamos nuestro resultado con un polígono de OSM. Esto hace que el resultado no se base en la imagen, por lo que los edificios pueden desplazarse desde sus posiciones reales. Además, los edificios corregidos se rotan para alinearse con las carreteras más cercanas descargadas de OSM.

• Estimación de altura (beta): la función aprovecha un modelo basado en regresión dedicado que infiere la altura utilizando indicadores visuales como la longitud de la sombra y los segmentos de pared visibles. El resultado es lo que se denomina huellas de edificios en 3D donde el contorno del edificio se proyecta al nivel del suelo en lugar del contorno del techo. Esto es especialmente útil para imágenes oblicuas, donde los tejados suelen aparecer desplazados.

Puntos de referencia: segmentación

Imágenes aéreas

Última actualización: 🏠 Edificios v.2026-07-06 (Global, Segmentación, 0,3 m/z19). El modelo se evaluó en un conjunto de validación global de 7 áreas de interés (AOI) frente a datos reales anotados manualmente. Las métricas se basan en el área: IoU es la intersección sobre la unión de las máscaras de construcción predichas y reales, y F1 / Precisión / Recuperación se calculan en el área de la máscara superpuesta.

AOI (ubicación)	Características previstas	pagaré	F1	Precisión	Recordar
Estados Unidos — Fort Myers	65	0.907	0,951	0.983	0.921
Estados Unidos — Phoenix	47	0.903	0,949	0.944	0.953
Canadá — Rigaud	103	0.870	0,930	0.934	0,927
Australia — Adelaida	92	0,868	0,929	0.914	0,945
Nueva Zelanda — Lower Hutt	106	0,867	0,929	0.956	0.903
Nueva Zelanda — Wellington	76	0,838	0,912	0.900	0.924
Reino Unido — Londres	68	0.813	0,897	0,873	0.922
Costa de Marfil — Bangolo	102	0.663	0,797	0.844	0,755
Sudáfrica — Worcester	156	0,592	0,744	0,867	0,651
Aérea (media de 9 AOI)	815	0.813	0,893	0.913	0,878

IoU / F1 / Precisión / Recuperación basado en área medido contra máscaras de construcción de verdad sobre el terreno; ejecución de evaluación 2026-06-13.

Imágenes de satélite

Validación adicional de 🏠 Edificios v.2026-07-06 en imágenes satelitales en 5 áreas urbanas densas de interés.

AOI (ubicación)	Características previstas	pagaré	F1	Precisión	Recordar
Rusia — Ufá	426	0.821	0,902	0,897	0.907
Arabia Saudita — Riad	225	0.817	0,899	0.920	0,879
India — Bangalore	508	0,779	0,876	0,859	0,894
India — Thane	429	0,768	0,869	0,889	0,849
Emiratos Árabes Unidos — Abu Dabi	142	0,751	0,858	0,828	0.890
Satélite (media de 5 AOI)	1730	0,787	0,881	0,879	0,884

IoU / F1 / Precisión / Recuperación basado en área medido contra máscaras de construcción de verdad sobre el terreno; ejecución de evaluación 2026-06-16.

Ver también

📊 Consulte detalles de referencia por ubicación para ver el desglose área por área de los conjuntos global y satelital, incluida la comparación con la versión anterior y las superposiciones de predicción versus verdad terrestre.

🌲 Bosques y árboles

El modelo se entrena con datos de alta resolución (0,6-0,3 m) para diferentes áreas y zonas climáticas.

El resultado incluye todas las áreas cubiertas de vegetación arbórea y arbustiva, incluidos bosques y matorrales dispersos.

La resolución del modelo permite detectar pequeños grupos de árboles y líneas estrechas de árboles.

El modelo es robusto al cambio regional y funciona bien en la mayoría de los entornos, incluidos los urbanos. La imagen debe tomarse en un período de vegetación activa, porque los árboles sin hojas o la vegetación cubierta de nieve no son la clase objetivo.

Etiquetas del último modelo |:etiqueta:|

Versión

2026-07-03

Dominio geográfico

Global

método modelo

Segmentación

GSD/Zoom de mapa

0,6–0,3 m/z18–19

Muestra de resultados de procesamiento para máscara sólida Bosque

Opciones adicionales:

• Estimación de altura – clasificación de máscaras de bosque por clases de altura

• Polígonos de copas de árboles: extrae copas de árboles de la vegetación forestal, así como de árboles independientes, y los proporciona como polígonos.

• Puntos de copa de árboles: extrae copas de árboles de la vegetación forestal, así como de árboles independientes, y los proporciona como puntos.

Importante

Recomendamos utilizar las opciones de Copa de árbol con imágenes de resolución de 0,3 m (~ 19 de zoom) para obtener mejores resultados en caso de que necesite detectar árboles individuales.

Nota

La clasificación de Forest Height sigue las siguientes clases:

• Arbustos de menos de 4 metros;

• Bosque de 4 a 10 metros de altura;

• Bosque de más de 10 metros de altura;

Esta clasificación se utiliza como apoyo a la decisión para el manejo de la vegetación en zonas de líneas eléctricas, etc. Ver las soluciones profesionales de Geoalert. Los umbrales se pueden personalizar según los requisitos.

Muestras de resultados de procesamiento

Muestra de resultados para Copas de árboles, puntos

Muestra de resultados para la máscara Bosque con alturas (salida ráster)

Puntos de referencia: segmentación

Última actualización: 🌲 Bosques y árboles v.2026-07-03 (Global, Segmentación). El modelo se evaluó en un conjunto de validación de 6 áreas de interés (AOI) frente a datos reales anotados manualmente. Las métricas se basan en el área: IoU es la intersección sobre la unión de las máscaras de vegetación predichas y reales, y F1/Precisión/Recuperación se calculan en el área de la máscara superpuesta.

AOI (ubicación)	Características previstas	pagaré	F1	Precisión	Recordar
Italia — Crotona	254	0.862	0,926	0.944	0.909
España — Madrid	368	0.813	0,897	0.880	0,915
Filipinas — Balanga	220	0.806	0,892	0.864	0.923
España — Velilla de San Antonio	1070	0,784	0,879	0,894	0.864
España — Cuenca	409	0.763	0,865	0,859	0,872
Uzbekistán — Taskent	156	0.730	0,844	0.905	0,791
España — Rusia	249	0,617	0,763	0,699	0.841
Argentina — La Banda	93	0.576	0,731	0,653	0,829
Global (media de 8 AOI)	2819	0.744	0,850	0,837	0,868

IoU / F1 / Precisión / Recuperación basado en área medido contra máscaras de vegetación reales; ejecución de evaluación 2026-07-03. Comparado con la versión anterior v.2025-06-14 (media F1 0.513, IoU 0.396).

Ver también

📊 Consulte detalles del punto de referencia por ubicación para ver el desglose área por área, incluida la comparación con la versión anterior y las superposiciones de predicción versus verdad sobre el terreno.

🚗 Carreteras

Modelo para segmentación de carreteras en imágenes de alta resolución (0,3 - 0,5 m)

El modelo está capacitado principalmente para áreas rurales y suburbanas. Se aplica el aprendizaje multitarea para mejorar la conectividad de la máscara de la carretera, especialmente en los lugares oscurecidos por árboles o edificios. Es más adecuado para áreas con baja urbanización y puede fallar en ciudades donde hay carreteras anchas con aceras y cruces complejos. Extraemos la línea central de la carretera para disminuir el desorden y optimizar la red de carreteras extraída, y luego las líneas de la carretera se inflan nuevamente a un objeto poligonal.

En la versión 1.1 agregamos el posprocesamiento del gráfico de carreteras:

• simplificación de la geometría;

• fusión de las brechas;

• eliminación de dobles bordes;

• eliminación de segmentos desprendidos y demasiado cortos;

Muestras de resultados de procesamiento

Condiciones óptimas para el modelo: territorio rural/suburbano, Rusia

Entorno más complejo: territorio urbano en Praga, República Checa

[multi] Edificios + Carreteras + Bosque

Esta canalización combina edificios, bosques y carreteras en un único flujo de trabajo y devuelve la salida GeoJSON con topología corregida.

Muestra de resultados de procesamiento para un escenario combinado que incluye modelos de edificios, carreteras y bosques.

Descargar datos abiertos

En Mapflow, puede descargar datos cartográficos abiertos de OpenStreetMap y Overture Maps. Este canal no utiliza ningún modelo de IA. Está diseñado para respaldar sus proyectos cartográficos con datos abiertos mantenidos por la comunidad.

Seleccione una o más clases semánticas y ejecute el flujo de trabajo.

Ejecutar el proceso

Obtenga los resultados y la vista previa de la imagen (en aplicación web o proyecto QGIS)

Advertencia

Los resultados dependen de la disponibilidad y la integridad de los datos cartográficos abiertos en su área de interés. Puede usarlo junto con los resultados de mapeo de IA como fuente complementaria.

Nota

Debe seleccionar una fuente de imagen de la misma manera que para los canales de mapeo de IA. Tenga en cuenta que es posible que los resultados no estén bien alineados con la imagen, porque los datos provienen de una fuente de datos abierta externa. La imagen se proporciona solo como referencia visual, por lo que puede decidir si necesita aplicar ediciones o ejecutar un modelo de Mapflow para complementar los resultados.

Modelos personalizados

Hay varias opciones de personalización del modelo en Mapflow.

1. Usted solicita acceso a un modelo específico según su caso de uso y sus datos, lo capacitamos para usted y lo conectamos a Mapflow.

2. Usted elige uno de los modelos previamente entrenados que no están incluidos en los canales estándar de Mapflow y lo prueba con sus datos o en su área para decidir si es aplicable o requiere capacitación adicional.

3. Usted entrena su propio modelo con datos personalizados y solicita nuestro soporte para conectarlo a su cuenta para aprovechar su modelo con el motor de flujo de trabajo Mapflow.

A continuación se muestra la lista de modelos personalizados creados para casos de uso específicos y disponibles en Mapflow a pedido (por actualizar).

🏗️ Construcciones (PERSONALIZADAS)

Este modelo describe las áreas en la imagen de satélite que contienen sitios de construcción y edificios en construcción. El conjunto de datos del modelo actual está limitado a algunos países y se está trabajando para ampliarlo.

Muestra de resultados de procesamiento para un área en rápido desarrollo con sitios de construcción

🏘 Vivienda de alta densidad (PERSONALIZADA)

Nota

Este modelo ha quedado obsoleto como modelo predeterminado y se ha movido a personalizado. está disponible sólo a pedido.

El modelo de IA de “viviendas de alta densidad” está diseñado para áreas con terrazas o edificios densamente construidos, comunes en Medio Oriente, partes de África, etc. Este modelo, al igual que el modelo de construcción normal, detecta los techos de los edificios. En primer lugar, los bloques de construcción se segmentan como un todo y luego se intenta dividir cada bloque en casas individuales basándose en la detección de marcadores de techo individuales con una cuadrícula rectangular o un diagrama de Voronoi.

Muestra de resultados del procesamiento para una zona de desarrollo urbano denso (Túnez, África):

Modelo de edificios de alta densidad, segmentación de instancias y posprocesamiento con opciones de cuadrícula

🚜 Campos agrícolas (PERSONALIZADO)

Advertencia

Este modelo ha quedado obsoleto como modelo predeterminado y se ha movido a personalizado. está disponible a pedido.

El modelo de segmentación de campos permite detectar los campos agrícolas y delimitar los campos cercanos entre sí, si hay un límite visual (línea de bosque, camino, diferente etapa de cultivo). El modelo se entrena con datos de alta resolución (1-1,2 m), principalmente para Europa y Rusia. Se desempeña mejor en campos más grandes con vegetación activa. Los campos más pequeños y en terrazas (típicos de Asia) no están muy bien delimitados. Los campos sin vegetación, especialmente en invierno, no son una clase objetivo.

Muestra de resultados de procesamiento para Europa (Bélgica)

Muestra de resultados de procesamiento para Asia (norte de la India)

✨ Segmentar cualquier cosa v1 (PERSONALIZADO)

Nota

Este modelo ha quedado obsoleto como modelo predeterminado y se ha movido a personalizado. está disponible sólo a pedido.

El «Segmentar cualquier cosa» (originalmente introducido por Meta como modelo de segmentación universal) está disponible como otro modelo experimental más en Mapflow. Lo ajustamos a los flujos de trabajo de Mapflow para usarlo a escala. Existen los mismos pasos necesarios para iniciar este modelo:

1. Seleccione su fuente de datos

2. Seleccione su área geográfica: ya sea un polígono, un archivo GeoJSON o la extensión de su imagen

Sin embargo, hay una diferencia en el flujo de trabajo del modelo:

• si ejecuta este modelo utilizando un archivo GTIFF — se utilizará la resolución original de la imagen

• si lo ejecuta a través de TMS (por ejemplo, Imagery como Mapbox Satellite) — debe seleccionar el nivel de zoom (resolución de imagen) de las opciones del modelo que se utilizará para la entrada

Dependiendo de la resolución de entrada, el modelo SAM interpretará y generará diferentes resultados. Se puede clasificar empíricamente por clases de mapeo dependiendo de los niveles de zoom de la siguiente manera:

NIVELES DE AMPLIACIÓN	OBJETOS SEMÁNTICOS
14	Uso de la tierra, grandes campos agrícolas, bosques, parques, campos, cuerpos de agua
16	Campos pequeños, edificios grandes, césped, parcelas.
18	Fincas, edificios, grupos de árboles, etc.
19+	Casas, árboles, vehículos, estructuras de techos, etc.

P.ej. Resultado – SAM (zoom 14)

P.ej. Resultado – SAM (zoom 16)

P.ej. Resultado – SAM (zoom 18)

P.ej. Resultado: SAM en imágenes aéreas (zoom 20), árboles individuales. Algunos polígonos no son muy precisos y faltan algunos objetos de destino, pero el resultado general es relevante y puede usarse para un mapeo más preciso.

P.ej. Resultado: SAM en imágenes aéreas (zoom 20), contenedores. Aplicable a objetos pequeños con patrones similares, requiere cierto filtrado manual de la salida del modelo.

Nota

❗️ SAM no se proporciona en Mapfow for QGIS lista de modelos predeterminados, ya que las opciones de zoom no están habilitadas en el diseño del complemento actual. Sin embargo, si trabaja en QGIS y desea probar SAM allí, envíenos una solicitud y conectaremos los escenarios de flujo de trabajo correspondientes con todas las opciones de zoom especificadas.

Piscinas (PERSONALIZADA)

Nota

Este modelo está disponible bajo pedido.

Detección y clasificación de piscinas. El modelo se entrena con imágenes aéreas de alta resolución (nivel de zoom de trabajo 19). La puntuación de referencia de la prueba es F1 > 0,95.

Nombre del modelo	tipo de modelo	Nivel de zoom	F1 (pruebas)	Dominio geográfico
piscinas	Detector + clasificación	ampliar 19-20	> 0,95	Global

Leer más sobre el Casos de uso y aplicación del modelo.

|:soleado:| Paneles solares (PERSONALIZADO)

Nota

Este modelo está disponible bajo pedido.

Paneles solares es un modelo entrenado para la detección de elementos fotovoltaicos mediante imágenes aéreas (niveles de zoom de trabajo 19-21). Es capaz de detectar elementos fotovoltaicos tanto en tejados como en suelo. La puntuación de referencia de la prueba es F1 > 0,87.

Nombre del modelo	tipo de modelo	Nivel de zoom	F1 (pruebas)	Dominio geográfico
Paneles solares	Detector + segmentador	zoom 19-21	por píxeles > 0,77	Global